Kanser hücre hatlarında multi-omik verilerin ağ tabanlı entegrasyonundan öğrenme yoluyla ilaç yanıtının tahmin edilmesi
Predicting drug response through learning from network-based integration of multi-omics data in cancer cell lines
- Tez No: 836640
- Danışmanlar: DOÇ. DR. NURCAN TUNÇBAĞ
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tümörler arasındaki doğal heterojenlik nedeniyle tedavi yanıtını tahmin etmek önemli bir engel olmaya devam etmekte ve aynı terapötik yaklaşımlara farklı yanıtlar verilmesine yol açmaktadır. Bu tez, ilaç yanıtı modellerini tespit etmek için ağ tabanlı bir hibrit makine öğrenimi modelini entegre ederek bu zorluğun üstesinden gelmeyi amaçlayan ve oyundaki karmaşık biyolojik mekanizmaları potansiyel olarak aydınlatan bir strateji sunmaktadır. Bu hedef doğrultusunda, yaklaşımımız 900'den fazla kanser hücre hattından elde edilen temel omiks verilerini kullanmaktadır. Geniş bir hücre dizisi yelpazesinden mutasyon, proteomik ve transkriptomik profiller de dahil olmak üzere çoklu omik verileri, ilaç duyarlılığı verileri ve ilaçların protein hedefleri ile birlikte bir araya getiriyoruz. Toplanan bilgiler bir insan protein-protein interaktomuna entegre edilmiş ve kişiselleştirilmiş bir PageRank ağ yayılım tekniği kullanılarak, her biri farklı bir ilaç- hücre hattı çiftini temsil eden yaklaşık 28.000 benzersiz bağlama özgü alt ağ oluşturulmuştur. Bu havuzdan gri bölge bağlamlarını filtreledik ve 426 hücre hattı ve 45 ilaç içeren, hassas veya dirençli olarak etiketlenmiş 1.194 çifte odaklanarak daha doğru tahminler yapılmasını kolaylaştırdık. Daha sonra bu karmaşık ağlar, denetimsiz bir grafik gömme algoritması olan Graph2Vec aracılığıyla makine öğrenimi modelleriyle uyumlu bir biçime dönüştürülerek topolojik ve özniteliklerle ilgili özelliklerini bir vektörde toplayan vektörleştirilmiş ağ temsilleri elde edilir. Bu dönüştürülmüş ağlar, her bir ilaç- hücre hattı kombinasyonuna özgü farklı özelliklere dayalı olarak ilaç yanıtlarını tahmin etmesini sağlayan bir makine öğrenimi sınıflandırıcısı için girdi görevi görür. Bu tahmin modelinin geçerliliği, 10 kat çapraz doğrulama da dahil olmak üzere sıkı bir testle kapsamlı bir şekilde incelenmiş ve 0,83'lük bir doğruluk ve 0,90'lık bir Kesinlik-Tekrar Çağırma Eğrisi Altındaki Alan (AUC) ile sonuçlanmıştır. Ayrıca, bağımsız hücre hattı, ilaç ve doku setleri üzerinde yapılan ek 10 kat kör test, sırasıyla 0,72, 0,89 ve 0,81 AUC vermiştir. Bu bulgular, modelin ilaç yanıtı tahminlerinin kesinliğini artırma ve ilaç direncinin altında yatan nedensel ağ modüllerini aydınlatma potansiyelinin altını çizmektedir.
Özet (Çeviri)
Predicting the treatment response continues to be a significant hurdle due to the inherent heterogeneity among tumours, leading to divergent responses to identical therapeutic approaches. This thesis introduces a strategy aiming to overcome this challenge by integrating a network-based hybrid machine learning model to detect drug response patterns, potentially elucidating the intricate biological mechanisms at play. Toward this goal, our approach deploys baseline omics data from more than 900 cancer cell lines. We assemble multi-omics data, including mutation, proteomic, and transcriptomic profiles from a broad spectrum of cell lines, along with their drug sensitivity data and protein targets of the drugs. The collected information is integrated onto a human protein-protein interactome, and using a personalized PageRank network propagation technique, we generate around 28,000 unique context-specific subnetworks, each representing a distinct drug-cell line pair. From this pool, we filtered out the grey zone contexts and focused on 1,194 pairs involving 426 cell lines and 45 drugs, labelled as either sensitive or resistant, facilitating more accurate predictions. Subsequently, these complex networks are converted into a format compatible with machine learning models via Graph2Vec, an unsupervised graph embedding algorithm, resulting in vectorized network representations encapsulating their topological and attribute-related features into a vector. These transformed networks serve as the input for a machine learning classifier, enabling it to predict drug responses based on the distinct properties inherent to each drug-cell line combination. Validity of this prediction model is thoroughly examined through a stringent testing, including a 10-fold cross-validation, resulting in an accuracy of 0.83 and an Area Under the Precision-Recall Curve (AUC) of 0.90. Moreover, additional 10-fold blind testing on independent cell line, drug, and tissue sets yielded an AUC of 0.72, 0.89, and 0.81, respectively. These findings underscore the model's potential in enhancing the precision of drug response predictions and illuminating the causal network modules underpinning drug resistance.
Benzer Tezler
- 1981 Türkiye tarımsal yapısının önemli bileşenleri ve tarımsal bölgelerin elde edilmesi
Principle components of Turkey's agricultural structure and to determine agricultural rigions in 1981
İHSAN KARABULUT
- Pseudamanas syringae ve pathavarlarının tanılanmalarında biyokimyasal ve morfolojik özelliklerin belirlenmesi üzerinde araştırmalar
Başlık çevirisi yok
A.ALEV GÖKDEMİR
Yüksek Lisans
Türkçe
1987
ZiraatEge ÜniversitesiBitki Koruma Ana Bilim Dalı
YRD. DOÇ. DR. HİKMET SAYGILI
- Kreatin kinaz izozimlerinin sıçan kalbinden saflaştırılması kinetik özelliklerinin ve nitrozolu karsinojen bileşiklerin etkilerinin araştırılması
The Investigation on creatine kinase isozymes purfied from mouse liver kinetic properties and the effects of carcinogen nitroso compounds
YÜKSEL KOCA